浅谈深度学习

什么是深度学习

  深度学习是一种人工智能功能，它模仿人类大脑在处理数据和创建用于决策的模式时的运作。深度学习是人工智能AI中机器学习的一个子集，其具有能够从非结构化或未标记的数据无人监督地学习的网络。
也称为深度神经学习或深度神经网络。

打破深度学习

  深度学习与数字时代同步发展，数字时代带来了各种形式和世界各地的数据爆炸式增长。这些数据简称为大数据，来自社交媒体，互联网搜索引擎，电子商务平台，在线电影院等。这些大量数据易于访问，并可通过云计算等金融科技应用程序共享。然而，通常是非结构化的数据是如此巨大，以至于人类需要花费数十年才能理解它并提取相关信息。公司意识到解开这些丰富信息可能带来的巨大潜力，并且越来越多地适应人工智能（AI）系统的自动化支持。

  用于处理大数据的最常见AI技术之一是机器学习，这是一种自适应算法，可以通过经验或新增数据获得越来越好的分析和模式。如果数字支付公司想要检测其系统中欺诈的发生或可能，则可以使用机器学习工具来实现此目的。计算机模型中内置的计算算法将处理数字平台上发生的所有事务，查找数据集中的模式并指出模式检测到的任何异常。

  深度学习是机器学习的一个子集，它利用层次级别的人工神经网络来执行机器学习过程。人工神经网络像人类大脑一样构建，神经元节点像网络一样连接在一起。传统程序以线性方式构建数据分析，而深度学习系统的分层功能使机器能够以非线性方法处理数据。检测欺诈或洗钱的可能依赖于随后的交易量，而深度学习非线性技术将包括时间，地理位置，IP地址，零售商类型以及可能指向欺诈活动的任何其他特征。神经网络的第一层处理原始数据输入，如事务量，并将其作为输出传递给下一层。第二层通过包含用户IP地址等附加信息并传递其结果来处理上一层的信息。

  下一层获取第二层的信息，包括原始数据，如地理位置，使机器的模式更好。这贯穿神经网络的所有层面。

深度学习的实际应用

  使用上面提到的欺诈检测系统和机器学习，我们可以创建一个深度学习的例子。如果机器学习系统创建了一个模型，其参数是围绕用户发送或接收的金额建立的，那么深度学习方法可以开始建立机器学习提供的结果。其神经网络的每一层都建立在其前一层上，增加了数据，如零售商，发件人，用户，社交媒体事件，信用评分，IP地址以及许多其他功能，如果由人处理，可能需要数年才能连接在一起。训练深度学习算法不仅可以创建来自所有事务的模式，还可以知道模式何时表明需要进行欺诈性调查。

  所有行业都使用深度学习来完成许多不同的任务。使用图像识别的商业应用程序，具有消费者推荐应用程序的开源平台以及探索将药物重新用于治疗新疾病的可能性的医学研究工具是深度学习整合的一些例子。

本文参考国外技术网站，如有疑惑可以私信我